PERANCANGAN SISTEM UJI SENSORIS MAKANAN DENGAN PENGUJIAN PEFERENCE TEST (HEDONIK DAN MUTU HEDONIK), STUDI KASUS ROTI TAWAR, MENGGUNAKAN ALGORITMA RADIAL BASIS FUNCTION NETWORK

M Rizal Permadi; Huda Oktafa; Khafidurahman Agustianto

PERANCANGAN SISTEM UJI SENSORIS MAKANAN DENGAN PENGUJIAN PEFERENCE TEST (HEDONIK DAN MUTU HEDONIK), STUDI KASUS ROTI TAWAR, MENGGUNAKAN ALGORITMA RADIAL BASIS FUNCTION NETWORK

M Rizal Permadi, Huda Oktafa, Khafidurahman Agustianto

Abstract

Produsen roti tawar dituntut untuk menghasilkan prouk yang berkualitas dan di sukai oleh konsumen. Peningkatan kualitas roti tawar tentunya akan berdampak pada penjualan yang akan dihasilkan. Salah satu upaya dalam peningkatan mut uroti tawar yaitu dengan cara melakukan uji Hedonik dan uji Mutu Hedonik. Penelitian ini bertujuan untuk mengembangkan sistem yang mampu memberikan penilaian terhadap produk baru yang akan dilepas di pasaran. Mutu hedonik digunakan sebagai variabel untuk menilai produk roti dengan 4 buah varibel, yang meliputi aroma, rasa, penampakan, dan teksture. Sedangkan uji hedonik menggunakan enam buah class yaitu amat sangat suka, sangat suka, suka, agak suka, dan tidak suka, selanjutnya hasil ini akan digunakan sebagai kelas dari Knowledge Based (KB). Penelitian ini menggunakan algoritma Radial Basis Function Network (RBFN), menghasilkan tingkat akurasi 98,8% dengan teknik pengujian 10 fold. Tujuan akhir dari pengembangan sistem ini akan tercipta suatu sistem yang mampu memberikan penilaian terhadap suatu produk roti apakah akan di terima oleh pasar atau tidak, sehingga akan bermanfaat bagi industri roti untuk melakukan pengujian produk terhadap selera pasar.

Keywords

roti tawar, uji organoleptik, machine learning, radial basis function network

Full Text:

PDF

References

“Pengujian Organoleptik (Evaluasi Sensori) dalam Industri Pangan,” 2006.

W. G. Zhao, C. F. Yu, R. T. Zhan, and R. He, “Research on Data Mining Methods for Organoleptic Determination of Amomum Villosum Product,” 2011 IEEE Int. Conf. Bioinforma. Biomed. Work. BIBMW 2011, pp. 873–880, 2011.

R. Gonçalves, J. Hester, N. Carvalho, P. Pinho, and M. Tentzeris, “Passive Sensors for Food Quality Monitoring and Counterfeiting,” Proc. IEEE Sensors, vol. 2014–Decem, no. December, pp. 1511–1514, 2014.

S. Prasarnphanich, A. Pawattana, and P. Chusorn, “Data mining,” Procedia - Social and Behavioral Sciences, vol. 112. pp. 647–651, Sep-2014.

Y. Fan and H. Zhang, “Application of Gabor Filter and Multi-Class SVM in Baking Bread Quality Classification,” 2006 IEEE Int. Conf. Mechatronics Autom. ICMA 2006, vol. 2006, pp. 1498–1502, 2006.

P. Goel, “Food Quality Assessment Using Fuzzy Logic,” pp. 1459–1462, 2015.

H. R. Estakhroueiyeh and E. Rashedi, “Detecting Moldy Bread Using An E-Nose and The KNN Classifier,” 2015 5th Int. Conf. Comput. Knowl. Eng. ICCKE 2015, pp. 251–255, 2015.

F. Ying and L. Fengquan, “Application of Internet of Things to The Monitoring System for Food Quality Safety,” Proc. - 2013 4th Int. Conf. Digit. Manuf. Autom. ICDMA 2013, pp. 296–298, 2013.

B. Jia and Y. Yang, “The Design of Food Quality Supervision Platform Based on The Internet of Things,” Proc. 2011 Int. Conf. Transp. Mech. Electr. Eng., pp. 263–266, 2011.

I. Concina, M. Falasconi, and V. Sberveglieri, “Electronic Noses as Flexible Tools to Assess Food Quality and Safety: Should We Trust Them?,” IEEE Sens. J., vol. 12, no. 11, pp. 3232–3237, 2012.

H. Ratihwulan, “Karakteristik Sensori Tape Ketan dan Tape Singkong dari Industri Rumah Tangga yang Berbeda di Bogor,” 2016.

Sugiyono, Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung: Alfabeta, 2011.

L. S. Hasibuan, C. H. Wijaya, and F. Kusnandar, “Formulation of Papaya Bangkok Puree for Baby with One Fruit Combination Based Sensory Quality,” 2010.

C. McCormick, “Radial Basis Function Network (RBFN) Tutorial.”

T. Xie, H. Yu, and B. Wilamowski, “Comparison between Traditional Neural Networks and Radial Basis Function Networks,” pp. 1194–1199, 2011.

C. McCormick, “Radial Basis Function Network (RBFN) Tutorial.” .